通过深度学习通过动作磁带传感器数据评估腰部运动
Jared Levy1, Aarti Lalwani1, Elijah Wyckoff2
1Computer Science and Engineering, University of California San Diego, La Jolla, CA 92093, USA.
Sensors (Basel, Switzerland)
|February 27, 2026
概括
新的可穿戴传感器有助于在家监测背部疼痛的运动. 深度学习模型增强了数据,提高了物理治疗见解的分类准确性.
科学领域:
- 生物医学工程 生物医学工程
- 康复技术 康复技术 康复技术
- 医疗保健中的机器学习
背景情况:
- 背部疼痛是一种普遍的疾病,通常由下背部运动加剧.
- 准确评估这些运动对于有效的物理治疗至关重要.
- 在临床环境之外,远程监控患者的运动是具有挑战性的.
研究的目的:
- 开发一种可靠的方法来使用可穿戴传感器数据对腰部运动进行分类.
- 为了解决来自新型可穿戴传感器的小规模,杂数据集的局限性.
- 改进对背部疼痛患者物理治疗需求的远程评估.
主要方法:
- 提出了运动磁带增强推理模型 (MT-AIM),这是一个深度学习管道.
- 利用条件生成模型为运动带 (MT) 传感器创建合成数据.
- 纳入预测的关节动力学作为增强数据集的额外功能.
主要成果:
- 在分类下背部运动方面,MT-AIM实现了最先进的准确性.
- 合成数据生成和功能增强成功地解决了数据集的局限性.
- 展示了MT传感器在低成本,便携式运动分析方面的潜力.
结论:
- MT-AIM管道有效地提高了下背部运动的分类准确性.
- 这种方法克服了与新型可穿戴传感器数据相关的挑战.
- 这项研究弥合了生理学感知和实际运动分析之间的差距,用于治疗背部疼痛.
